Het is geen geheim dat wiskunde de basis is van machine learning en essentieel is voor uw begrip van de basis van het vakgebied. Om als machine learning-beoefenaar te slagen, is kennis van de toepasselijke wiskundige grondslagen absoluut noodzakelijk. Waar kunt u terecht om uw wiskunde op het gebied van machine learning op te frissen of uw begrip te vergroten door die basis uit te breiden?

Wiskunde voor machinaal leren is een boek van Marc Peter Deisenroth, A Aldo Faisal en Cheng Soon Ong, met als doel mensen te motiveren om wiskundige concepten te leren, en dat wordt uitgegeven door Cambridge University Press. Volgens de auteurs is het doel van de tekst om de nodige wiskundige vaardigheden te verschaffen om vervolgens boeken te lezen over meer geavanceerde machine learning-onderwerpen.

Rechtstreeks van de pagina's van het boek:

Hoewel machine learning veel succesverhalen heeft opgeleverd en software direct beschikbaar is om rijke en flexibele machine learning-systemen te ontwerpen en te trainen, zijn wij van mening dat de wiskundige basis van machine learning belangrijk is om de fundamentele principes te begrijpen waarop meer gecompliceerde machine learning-systemen zijn gebaseerd. gebouwd. Het begrijpen van deze principes kan het gemakkelijker maken om nieuwe machine learning-oplossingen te creëren, bestaande benaderingen te begrijpen en te debuggen, en te leren over de inherente aannames en beperkingen van de methodologieën waarmee we werken.

Wiskunde voor Machine Learning is opgesplitst in twee delen:

• Wiskundige grondslagen
• Voorbeelden van algoritmen voor machine learning die de wiskundige basis gebruiken

De inhoudsopgave is als volgt onderverdeeld:

Deel I: Wiskundige grondslagen

1. Inleiding en motivatie
2. Lineaire algebra
3. Analytische meetkunde
4. Matrix-ontbindingen
5. Vector calculus
6. Waarschijnlijkheid en verdeling
7. Continue optimalisatie

Deel II: Problemen met centraal machineleren

1. Wanneer modellen data ontmoeten
2. Lineaire regressie
3. Dimensionaliteitsreductie met hoofdcomponentenanalyse
4. Dichtheidsschatting met Gaussiaanse mengselmodellen
5. Classificatie met Support Vector Machines

 
Zoals duidelijk is, behandelt het eerste deel van het boek pure wiskundige concepten, zonder in te gaan op machine learning. Het tweede deel richt zijn aandacht op het toepassen van deze nieuwe wiskundige vaardigheden op machine learning-problemen. Afhankelijk van je wensen, kun je een top-down of bottom-up benadering volgen om zowel machine learning als de onderliggende wiskunde te gebruiken, of het ene deel van het andere kiezen waarop je je wilt concentreren.

Je kunt download hier een pdf van het boek. Het boek is gepubliceerd en een fysiek exemplaar kan worden gekocht, maar de auteurs zullen ook een gratis downloadbare PDF van het boek blijven leveren.

Het doel is om een ​​kort, bondig boek te maken, dat vervolgens wordt aangevuld met oefeningen en Jupyter-notitieboekjes. Voor meer informatie kunt u: vind de bijbehorende website hier.

Twijfel je of het boek je tijd wel waard is? Geloof me niet op mijn woord; kijk wat deze heavy-hitters te zeggen hebben:

Dit boek biedt uitgebreide informatie over alle wiskundige basisconcepten voor machine learning. Ik kijk ernaar uit om het te delen met studenten, collega's en iedereen die geïnteresseerd is in het opbouwen van een goed begrip van de grondbeginselen.”

—Joelle Pineau, McGill University en Facebook

 
“Het gebied van machine learning is de afgelopen jaren enorm gegroeid, met een steeds indrukwekkender spectrum aan succesvolle toepassingen. Deze uitgebreide tekst behandelt de belangrijkste wiskundige concepten die ten grondslag liggen aan moderne machine learning, met een focus op lineaire algebra, calculus en kansrekening. Het zal waardevol blijken te zijn, zowel als tutorial voor nieuwkomers in het veld, als als referentietekst voor machine learning onderzoekers en ingenieurs.”

—Christopher Bishop, Microsoft Research Cambridge

 
“Dit boek biedt een prachtige uiteenzetting van de wiskunde die ten grondslag ligt aan moderne machine learning. Een echte aanrader voor iedereen die een one-stop-shop wil om een ​​diepgaand inzicht te verwerven in de basis van machine learning.”

—Pieter Abbeel, Universiteit van Californië, Berkeley

Ik hoop dat u het boek net zo nuttig vindt als anderen.

 
 
Matthijs Mayo (@mattmayo13) is een datawetenschapper en de hoofdredacteur van KDnuggets, het baanbrekende online hulpmiddel voor gegevenswetenschap en machine learning. Zijn interesses liggen in natuurlijke taalverwerking, ontwerp en optimalisatie van algoritmen, leren zonder toezicht, neurale netwerken en geautomatiseerde benaderingen van machine learning. Matthew heeft een master in computerwetenschappen en een graduaat in datamining. Hij is te bereiken via editor1 op kdnuggets[dot]com.